Mit dem Guide verknüpftes Quiz · Mittel Ebene

CLIP- und Vision-Language-Modell-Quiz

Sehen Sie sich die gemeinsamen Darstellungen und Kontrastpaare von CLIP an, mit Zero-Shot-Beschriftungen, ursprünglichen Encoderfamilien, Batch-Score-Zählungen und unCLIP.

Verwandte FührungspfadeClip- und Vision-Sprachmodelle
Frage 1 von 8

Was ist die Kernidee hinter CLIP?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Was ist die Kernidee hinter CLIP?
    • Bilder in kleinere Dateien komprimieren
    • Platzieren Sie Bilder und Text im selben gemeinsamen Einbettungsbereich
    • Generieren von 3D-Modellen aus Fotos
    • Rede in Text übersetzen
  2. Welchen Trainingsansatz verwendet CLIP?
    • Verstärkendes Lernen aus menschlichem Feedback
    • Jedes Objekt in jedem Bild von Hand beschriften
    • Kontrastives Lernen, das passende Bild-Text-Paare zusammenführt
    • Gewichte aus einem Sprachmodell kopieren
  3. What does zero-shot classification mean in the original CLIP transfer setup?
    • Using text-defined candidate categories without new task-specific supervised classifier fitting
    • Using a model that never received any pretraining data
    • Running without any computation or electricity
    • A guarantee that every category is classified correctly
  4. Wie misst CLIP, ob ein Bild und eine Bildunterschrift übereinstimmen?
    • Durch Dateigrößenvergleich
    • Durch Zählen der Pixel jeder Farbe
    • Durch Überprüfen des Zeitstempels des Bildes
    • Durch Kosinusähnlichkeit zwischen ihren Vektoren
  5. Auf wie vielen Daten wurde CLIP ungefähr trainiert?
    • Ein paar tausend handbeschriftete Bilder
    • Nur Text, keine Bilder
    • Rund 400 Millionen Bild-Text-Paare aus dem Web
    • Eine einzige kuratierte Museumssammlung
  6. How does the cited unCLIP image-generation paper use CLIP representations?
    • The original standalone CLIP encoder directly outputs every image pixel
    • A prior supplies CLIP image embeddings to a generative decoder
    • It removes all image representations and uses only filenames
    • It uses CLIP only as a network-encryption protocol
  7. Which image-encoder families were evaluated in the original CLIP paper?
    • Only recurrent text encoders
    • Only a mandatory linear pixel average
    • Only a raw audio codec
    • Modified ResNets and Vision Transformers
  8. A CLIP batch contains 32 paired images and texts. How many entries are in its full cross-modal score matrix?
    • 1024
    • 32
    • 64
    • 992